torch.nn.functional中的nll_loss()函数用于多分类问题的训练

torch.nn.functional中的nll_loss()函数是用于多分类问题的损失函数，该函数计算负对数似然损失（Negative Log Likelihood Loss）。在多分类问题中，模型的输出是一个概率分布，即每个类别的概率值，而目标是将真实标签的概率最大化。

nll_loss()函数的输入包括两个参数：input和target。其中，input是模型的输出，也就是预测的概率分布，target是真实的标签。函数的输出即为计算得到的损失值。

以下是一个使用nll_loss()函数的例子：

import torch
import torch.nn.functional as F

# 假设有一个多分类问题，共有3个类别
num_classes = 3

# 假设模型的输出是一个概率分布，大小为(batch_size, num_classes)
input = torch.tensor([[0.2, 0.3, 0.5], [0.6, 0.2, 0.2], [0.1, 0.4, 0.5]])

# 假设真实标签为每个样本对应类别的索引，大小为(batch_size,)
target = torch.tensor([2, 0, 1])

# 使用nll_loss()函数计算损失
loss = F.nll_loss(torch.log(input), target)

print(loss)

在上述例子中，我们首先定义了一个多分类问题，共有3个类别。然后，假设模型的输出是一个概率分布，此时我们将其作为nll_loss()函数的输入。真实标签也给定了，即每个样本对应类别的索引。最后，使用nll_loss()函数计算损失。

在计算损失之前，我们需要对模型的输出进行一个处理。因为nll_loss()函数的输入要求是对模型输出的log概率值，所以我们使用了torch.log()函数将模型输出转换为log概率。

需要注意的是，nll_loss()函数的输入应该是对输出进行了log概率变换的值，而不是原始的概率值。所以在计算损失之前，我们使用了torch.log()函数对模型输出进行了转换。

最后，打印出计算得到的损失值。